Desarrollo de distintas enfermedades según el oficio
Fuentes de datos biomédicas y web semántica, Grado en Ingeniería de la Salud
Lorena Nerín Grau y Lucía González Redondo
2024-12-01
Introducción
El desarrollo de enfermedades laborales pueden ocasionar bajas laborales. Estas enfermedades se producen en el ámbito laboral según el trabajo realizado. Hemos querido estudiar como el desarrollo de estas enfermedades se puede agravar por poseer una enfermedad mental, incluso si la gravedad de la enfermedad laboral es distinta entre géneros o debido a la profesión realizada.
Objetivo general
Evaluación del desarrollo de enfermedades laborales, respecto a la profesión y el estado de salud mental.
Objetivo específico
- ¿Existe relación entre la profesión de movimiento de tierra respecto al género?
- ¿Ha aumentado el número de accidentes laborales?
- ¿Existe relación entre la profesión de movimiento de tierra respecto a la indicencia de accidentes?
Relación con otros artículos y estudios
Tras haber leído varios artículos. En uno de ellos destacamos que se estudia también la incidencia de enfermedades según la economía y el sexo de los encuestados. Según el sexo hay diferencias significativas donde los hombres desarrollan mayor número de enfermedades, ya que son estos los que ocupan los trabajos exigentes físicamente. En cuanto al tipo de trabajo el sector de la minería, construcción y agricultura dan lugar al mayor desarrollo de enfermadades en el ámbito profesional.
Otro artículo que nos ha resultado interesante es el siguiente: en Reino Unido se estudió que el personal de construcción tiene más probabilidad de suicidarse que el promedio nacional. Según los redactores exponen que se debe a que los trabajadores no quieren buscar ayuda terapeútica, además los contratos de largas jornadas y lejos de la familia tampoco ayudan. Por ello, determinan que concienciar sobre este problema y quitar el estigma es importante.
Metodología
Materiales
Agregamos los URL de la base de datos datos.gob.es donde
se obtienen los datos para el posterior estudio:
Agregamos el URL del repositorio: - Repositorio
Carga de paquetes
En este apartado vamos a indicar y cargar los paquetes necesarios para el desarrollo de nuestra práctica.
- Paquete necesario para exportar el conjunto de datos en formato .JSON.
#install.packages("tidyjson")- Paquete necesario para exportar los conjuntos de datos en formato .xls y .xlsx.
#install.packages("readxl")- Paquete necesario para exportar el conjunto de datos en formato .csv.
#install.packages("readr")- Paquete necesario para poder realizar la manipulación de dataframes.
#install.packages("dplyr") - Paquete necesario para transformar las filas y columnas.
#install.packages("tidyverse")- Paquete para poder mostrar las tablas formatedas.
#install.packages("DT")- Paquete necesario para la implementación de gráficos.
#install.packages("ggplot2")Carga de datos
Descargar datos
Aunque a lo largo de este seminario utilizamos los archivos que hemos importado en una carpeta INPUT. Se podrían obtener estos archivos mediante su descarga. Por ejemplo, descargamos los datos de la población de 16 y más años según autovaloración del estado de salud en relación a situaciones de ansiedad o depresión, sexos o grupos de edad por años en Canarias en formato “.csv” de la página web de la base de datos del gobierno de España:
library(readxl)
# URL del archivo Excel en GitHub
url <- "https://github.com/Lucia-G-R/Seminario_Fuentes/blob/main/INPUT/DATA/Enfermedades_laborales_Espa%C3%B1a.csv.csv"
# Creamos un archivo temporal para almacenar el Excel
temp <- tempfile(fileext = ".csv")
# Descargamos el archivo desde la base de datos
download.file("https://datos.gob.es/es/catalogo/a05003423-poblacion-de-16-y-mas-anos-segun-autovaloracion-del-estado-de-salud-en-relacion-a-situaciones-de-ansiedad-o-depresion-sexos-o-grupos-de-edad-por-anos-canarias-2004-2009", destfile = temp, mode = "wb")Carga de datos JSON
En primer lugar, queremos extraer los datos sobre las enfermedades laborales que suceden en España. Como es un archivo con extensión .JSON con listas anidadas, no podemos utilizar directamente un tibble . Para ello, debemos de convertir las listas anidadas, en este caso la lista MetaData y la lista Data, en dataframes. Finalemente, unimos ambos dataframes anteriores junto con el resto de columnas del archivo .JSON que no son listas anidadas.
library(rjson)
library(tidyverse)
library(tidyjson)
library(dplyr)
library(DT)
# Cargamos el archivo con extensión .JSON.
espana_json <- fromJSON(file = "INPUT/DATA/Enfermedades_laborales_España.json")
# Observamos la estructura, nos damos cuenta que posee listas anidadas
#str(espana_json)
# Convertimos la lista de la variable MetaData en un dataframe
MetaData_df<-
espana_json%>%
enter_object("MetaData")%>% # Extraemos la información dentro de "MetaData"
gather_array() %>% # Convertimos los elementos de un array en filas
spread_all()%>% # Esta función distribuye cualquier objeto JSON que sea escalar en nuevas columnas
select(T3_Variable, Nombre, Codigo) # Seleccionamos las tres variables que posee
# Convertimos la lista de la variable Data en un dataframe
Data_df<-
espana_json%>%
enter_object("Data")%>% # Extraemos la información dentro de "Data"
gather_array() %>%
spread_all()%>%
select(Valor) # Seleccionamos la variable que posee
# Unimos MetaData_df y Data_df usando "..JSON". Extraemos la columna "..JSON" como identificador
# Expandimos la columna "..JSON" con prefijo para evitar conflictos de nombres.
MetaData_df <-
MetaData_df %>%
unnest_wider(..JSON, names_sep = "_json")
Data_df <-
Data_df %>%
unnest_wider(..JSON, names_sep = "_json")
# Creamos un identificador único para cada fila
MetaData_df <-
MetaData_df %>%
mutate(id = row_number())
Data_df <-
Data_df %>%
mutate(id = row_number())
# Hacemos la unión de los data frames por la columna id que hemos creado con la variable lista "..JSON"
espana_df <-
MetaData_df %>%
left_join(Data_df, by = "id") %>% # Unimos con Data_df usando 'id'
mutate(Nombre = espana_json$Nombre) # Agregamos la columna "Nombre" del espana_json
datatable(espana_df)Este dataframe va a recoger el número de incidencias por tipo de enfermedades laborales según el año del suceso y el sexo.
Carga de datos XLS
En segundo lugar, queremos extraer los datos sobre los accidentes laborales que suceden en Canarias. Como es un archivo con extensión .xls, utilizamos read_excel.
library(readxl)
library(DT)
# Cargamos el archivo con extensión .xls
canarias_df <- read_excel("INPUT/DATA/Accidentes_laborales_Canarias.xls")
datatable(canarias_df)Este dataframe va a recoger las distintas incidencias por gravedad según los diferentes tipos de profesiones laborales, el sexo y el año del suceso.
Carga de datos CSV
En tercer lugar, queremos extraer los datos sobre la salud mental en los habitantes de Canarias. Como es un archivo con extensión .csv, utilizamos read_delim e indicamos que el delimitador es ;
Al imprimirlo como tabla con la función datatable nos da un error con el formato, es decir, indica que hay un problema con la codificación del archivo CSV. En este caso, el error nos indica que los archivos están codificados en UTF-8, pero revisando la tabla incluye caracteres como acentos. Por eso, utilizamos locale, siendo una forma de configurar la codificación de caracteres que define cómo se representan los caracteres de texto en bytes.
En conclusión con encoding = “ISO-8859-1” queremos que R interprete el archivo usando la codificación Latin-1, esta configuración asegura que los caracteres especiales se lean e interpreten de forma adecuada, evitando caracteres raros.
library(readr)
library(DT)
# Cargamos el archivo con extensión .csv
Salud_df <- read_delim ("INPUT/DATA/Estados_de_salud_Canarias.csv.csv", delim = ";", locale = locale(encoding = "ISO-8859-1"), show_col_types = FALSE)
datatable(Salud_df)Este dataframe va a recoger los distintos estados de ánimo durante el año 2004 y 2009 de los ciudadnos de Canarias con más de 16 años, en ambos sexos.
Carga de datos XLSX
En cuarto lugar, queremos extraer los datos sobre la gravedad de las enfermedades laborales producidas en Aragón. Como es un archivo con extensión .xlsx, utilizamos read_excel.
library(readxl)
library(DT)
# Cargamos el archivo con extensión .xlsx
Aragon_df <- read_excel ("INPUT/DATA/070901-02_Por grado y sexo. Aragon.xlsx")
datatable(Aragon_df)Este dataframe va a recoger los distintos valores de incidencias laborales según distintos grados, tanto en hombres como mujeres en la comunidad de Aragón a lo largo de los años.
Trabajar con columnas
Observar valores nulos
Observamos los valores nulos del conjunto de datos sobre los accidentes laborales que suceden en Canarias. Con select observamos las columnas que poseen valores nulos, ya que no nos van a interesar para nuestro estudio.
library(dplyr)
canarias_df %>%
select(where(~ all(is.na(.))))Cambiar nombre de las columnas
Vamos a cambiar los nombres de las distintas columnas de los datos extraídos para una mejor compresión.Utilizaremos la función rename para llevar a cabo esta acción.
En primer lugar, cambiamos los nombres de las columnas del conjunto de datos sobre los accidentes laborales que suceden en Canarias.
library(tidyverse)
library(DT)
canarias <- rename(.data = canarias_df, Año = `TIME_PERIOD#es`, Año2 = `TIME_PERIOD_CODE`, Sexo = `SEXO#es`, SexoCod = `SEXO_CODE`, Gravedad = `ACCIDENTE_GRAVEDAD#es`, GravedadCod = `ACCIDENTE_GRAVEDAD_CODE`, TipoTrab = `TIPO_TRABAJO#es`, TipoTrabCod = `TIPO_TRABAJO_CODE`, TrabHabitual = `TRABAJO_HABITUAL#es`, TrabHabCod = `TRABAJO_HABITUAL_CODE`, Obs = `OBS_VALUE`, ConfeciObs = `CONFIDENCIALIDAD_OBSERVACION#es`, Notasobs = `NOTAS_OBSERVACION#es`, Estadosobs = `ESTADO_OBSERVACION#es`)
datatable(canarias)Cambiamos los nombres de las columnas del conjunto de datos sobre la gravedad de las enfermedades laborales producidas en Aragón.
library(tidyverse)
library(DT)
Aragon <- rename(.data = Aragon_df, NumAcci = `Nº Accidentes`, Gravedad = `Grupo Grado Código...4`, GravedadCod = `Grupo Grado Código...5`)
datatable(Aragon)Cambiamos los nombres de las columnas del conjunto de datos sobre las enfermedades laborales que suceden en España.
library(tidyverse)
library(DT)
Espana <- rename(.data = espana_df, TipoEnf = `T3_Variable`, Indicador = `Codigo`, Variable = `..JSON_jsonT3_Variable`, Nombre = `..JSON_jsonNombre`, Codigo = `..JSON_jsonCodigo`, jsonValor = `..JSON_jsonValor`)
datatable(Espana)Cambiamos los nombres de las columnas del conjunto de datos sobre la salud mental en los habitantes de Canarias.
library(tidyverse)
library(DT)
Salud <- rename(.data = Salud_df, Sexo = `sexos_grupos_edad`, EstadoAnsiedad = `autovaloracion_estado_salud_relacion_situaciones_ansiedad`, Años = `anios`, Obs = `poblacion_16_mas_anios`)
datatable(Salud)Eliminar columnas
Eliminamos las columnas que no nos van a interesar estudiar, es decir, utilizaremos la función select que seleccionará las columnas deseadas. En el único conjunto de datos que no vamos a eliminar columnas es en los datos sobre la salud mental en los habitantes de Canarias.
Primero, vamos a eliminar las columnas del conjunto de datos sobre los trabajos realizados en Canarias. Nos vamos a centrar en las columnas Año, Sexo, Gravedad, TipoTrab y Obs.
library(dplyr)
canarias <-
canarias%>%
select(Año, Sexo, Gravedad, TipoTrab, Obs)
datatable(canarias)En segundo lugar, eliminamos las columnas del conjunto de datos de Aragón. Nos vamos a centrar en las columnas Año, Sexo, NumAcci y Gravedad.
library(dplyr)
Aragon <-
Aragon%>%
select(Año, Sexo, NumAcci, Gravedad)
datatable(Aragon)En tercer lugar, eliminamos las columnas del conjunto de datos de España. Nos vamos a centrar en las columnas Nombre, id y Valor.
library(dplyr)
Espana <-
Espana%>%
select(Nombre, id, Valor)
datatable(Espana)Case_when
Vamos a utilizar las columnas Año, Sexo, Gravedad y Obs para que en una nueva columna Categoria sea más diferenciada y representativa. Para ello, vamos a categorizar el nivel de gravedad según el número de accidentes. - Si la Gravedad es Total y las Obs mayores que 5000 vamos a categorizarlo como “Alta gravedad”. - Si la Gravedad es Total, pero las Obs son menores o iguales que 5000 vamos a categorizarlo como “Baja gravedad”. - También vamos a diferenciar las Obs de accidentes laborales por Sexo. Realizamos cuatro categorías. Si el Sexo es Mujer diferenciaremos entre “Alta gravedad” o “Baja gravedad” y lo mismo si el Sexo es Hombre. - Si el Sexo son los dos sexos juntos, es decir, Total se categoriza como Otro. Esta última condición succede cuando ninguna condición anterior cumple con los requisitos.
Para realizar esta categorización utilizaremos la función case_when.
library("DT")
canarias_when <-
canarias %>%
mutate(Categoria = case_when(
Gravedad == "Total" & Obs > 5000 ~ "Alta gravedad",
Gravedad == "Total" & Obs <= 5000 ~ "Baja gravedad",
Sexo == "Mujeres" & Obs > 1000 ~ "Accidentes Mujeres - Alto",
Sexo == "Hombres" & Obs > 1000 ~ "Accidentes Hombres - Alto",
Sexo == "Mujeres" & Obs <= 1000 ~ "Accidentes Mujeres - Bajo",
Sexo == "Hombres" & Obs <= 1000 ~ "Accidentes Hombres - Bajo",
.default = "Otro"
))
datatable(canarias_when)Añadir columnas
Con este código pretendemos obtener una nueva columna en la cual hallaremos el procentaje de observaciones.
Utilizamos mutate para sacar el porcentaje que representa cada observación respecto al conjunto de observaciones del conjunto de datos de Canarias. Con options(scipen=999) evitamos la notación científica.
#Porcentaje de cada observación según el conjunto de observaciones del dataframe Canarias
library(dplyr)
library(DT)
options(scipen = 999)
datatable(mutate(.data = canarias, Porcentaje_Obs = (Obs / sum(Obs)) * 100))Observamos que existen valores nulos en la variable Valor del dataframe de España, por lo que para poder utilizar el mutate necesitamos eliminar aquellos valores vacíos. En primer lugar, filtramos solo con los valores distintos de nulos, es decir, los valores de nuestro interés. En segundo lugar, utilizamos mutate para crear una nueva columna denominada Porcentaje_Valor que recoge el porcentaje que representa cada observación respecto al conjunto de observaciones del conjunto de datos de España. Con options(scipen=999) evitamos la notación científica.
library(dplyr)
library(DT)
Espana <-
Espana %>%
filter(!is.na(Valor))
options(scipen = 999)
datatable(mutate(.data = Espana, Porcentaje_Valor = (Valor / sum(Valor)) * 100))Como se puede observar este dataframe contiene una columna denominada Nombre con valores repetidos. Posteriormente, pivotaremos este dataframe.
Realizar un dataframe conjunto
Realizamos un dataframe uniendo los datos sobre la gravedad de las enfermedades laborales en Aragón y la salud mental de los ciudadanos en Canarias. Para ello, utilizamos la función merge.
library(DT)
# Unimos el dataframe Aragón y Salud por una columna común "Sexo"
df_Salu_Arag <- merge(Aragon, Salud, by = "Sexo")
datatable(df_Salu_Arag)Con este dataframe pretendemos que de forma visual podamos observar como puede llegar a afectar el padecimiento de una enfermedad mental en el aumento de accidentes laborales.
Realizamos un dataframe uniendo los datos sobre los accidentes laborales que suceden en Canarias y los datos sobre las enfermedades mentales.
#Unión de los dataframe Canarias y Salud por la clave "Año" y "Años". También se eliminan las filas duplicadas
library(DT)
canarias_dis <-
canarias %>%
distinct(Año, .keep_all = TRUE)
Salud_dis <-
Salud %>%
distinct(Años, .keep_all = TRUE)
df_cana_Salud <-
canarias_dis %>%
inner_join(Salud_dis, by = c("Año" = "Años"))
datatable(df_cana_Salud)Con este dataframe pretendemos que de forma visual podamos observar como puede llegar a afectar el padecimiento de una enfermedad mental en el desarrollo de enfermedades laborales por cada profesión estudiada.
Pivotar
Como hemos comentado anteriormente la forma del dataframe de España no es del todo correcta. Vamos a transponer la estructura de la columna Nombre desde largo a ancho, es decir, los Valores presentes en la columna Espana pasan a formar tres columnas. Para esto, utilizaremos la función pivot_wider.
library(DT)
Long_Espana <- pivot_wider(data = Espana, names_from = "Nombre", values_from = "Valor")
datatable(Long_Espana)Aunque aparezcan filas sin valores, no las vamos a eliminar ya que es simplemente porque el ciudadano solo ha desarrollado una enfremedad laboral o en base al sexo.
Trabajar con filas
Eliminar filas
Eliminamos las filas que no nos va a interesar estudiar.En este caso, solo modificaremos el dataframe de la salud mental en Canarias.
En primer lugar, vamos a eliminar en el dataframe Salud, el sexo que indica las edades ya que es una información no correcta para esta variable tenemos que normalizar los valores de la variable Sexo eliminando los espacios en blanco y pasando a minúsculas. Después, utilizamos la función subset.
library(DT)
Salud$Sexo <- trimws(Salud$Sexo)
Salud$Sexo <- tolower(Salud$Sexo)
Salud_eli <- subset(Salud, !Sexo %in% c("de 16 a 64 años", "de 65 y más años"))
datatable(Salud_eli)Slices
Slices_head
Seleccionamos las cinco primeras filas del conjunto de datos Salud que contiene los estados de ansiedad. Mediante la función slice_head.
library(DT)
datatable(slice_head(.data = Salud, n =5))Slice_tail
Seleccionamos las cinco últimas filas del conjunto de datos de Aragón que contiene el número de accidentes por años. Mediante la función slice_tail.
library(DT)
datatable(slice_tail(.data = Aragon, n =5))Slice_sample
Escogemos un conjunto de filas, exactamente 10 filas aleatorias del conjunto de datos de Long_Espana en el cual hemos pivotado los valores de una columna para formar tres columnas distintas.
library(DT)
datatable(slice_sample(.data = Long_Espana, n = 10))Slice_max
Seleccionamos las filas que contengan los valores más altos de una columna específica, en este caso de la columna Año. Mediante la función slice_max.
library(DT)
datatable(slice_max(.data = canarias, order_by = Año))Arrange
Ordenamos las filas de manera descendente, es decir, de mayor gravedad a menor gravedad en los accidentes del conjunto de datos de Aragón. Mediante la función arrange.
library(DT)
datatable(arrange(.data = Aragon, desc(factor(Gravedad)), NumAcci))Summarise
Calculamos el número total, las observaciones son los registros , el mínimo, el máximo y la mediana de accidentes laborales en los Años 2004 y 2009 con el dataframe conjunto del conjunto de datos de salud mental y el número de accidentes laborales. Utilizamos la función summarise.
library(DT)
info_acci<-
df_Salu_Arag%>%
group_by(Años)%>%
summarise(
Acci_total = sum(NumAcci),
Acci_Obs = n(),
Min_Aci = min(NumAcci),
Max_Aci = max(NumAcci),
Mediana_Aci = median(NumAcci)
)
datatable(info_acci)Con este dataframe queríamos hacer una comparación en el número de accidentes entre los diferentes años, pero este resultado no ha sido como esperábamos, suponemos que los valores del dataframe no están del todo correctos.
Tapply
En este apartado vamos a realizar diferentes funciones con tapply para poder hallar el número de accidentes u observaciones según el año, el sexo por tipo de trabajo.
Con esta función pretendemos hallar el total de accidentes que existen en cada una de las profesiones presentes en nuestro conjunto de datos de Canarias. Para este código utilizamos la función tapply, junto con la función de suma.
library(DT)
acci_trab <- tapply(canarias$Obs, canarias$TipoTrab, sum, na.rm = TRUE)
acci_trab_df <- data.frame(
TipoTrab = names(acci_trab),
TotalAcci = as.numeric(acci_trab)
)
datatable(arrange(.data = acci_trab_df, desc(factor(TotalAcci))))Como resultado podemos ver que los trabajos relacionados con producción, transformación, tratamiento y almacenamiento, junto con la profesión de servicios a empresas/personas y trabajos intelectuales tiene el mayor número de accidentes. Sin embargo, los trabajos agrícolas, forestales, hortícola, piscícol y con animales vivos son los que menos accidentes presentan.
Con esta función pretendemos hallar la media de accidentes que existen según el sexo, además de la gravedad de estos. Encontrados en nuestro conjunto de datos de Canarias. Para este código utilizamos la función tapply, junto con la función de la media
library(DT)
sexo_gravedad <- tapply(canarias$Obs, list(canarias$Sexo, canarias$Gravedad), mean, nar.rm = TRUE)
datatable(sexo_gravedad)Con estos resultados podemos observar que los hombres presentan de media mayor gravedad en las enfermedades mentales respecto a las mujeres.
Con esta función pretendemos hallar el total de accidentes que existen en cada una de las profesiones a lo largo de los años presentes en nuestro conjunto de datos de Canarias. Para este código utilizamos la función tapply, junto con la función de suma.
library(DT)
año_trabajo <- tapply(canarias$Obs, list(canarias$Año, canarias$TipoTrab), sum, na.rm = TRUE)
año_trabajo_df <- as.data.frame(as.table(año_trabajo))
año_trab <- rename(.data = año_trabajo_df, Año = Var1, TipoTrab = Var2, Total = Freq)
datatable(slice_min(año_trab, order_by = Total, n = 5))datatable(slice_max(año_trab, order_by = Total, n = 5))Con estos resultados podemos observar que los años en el que han existido menos accidentes laborales han sido el 2018 y el 2016. Sin embrago, los años con mayores números de accidentes han sido el 2003 y el 2005.
Función
Calculamos la media y el porcentaje de personas evaluadas. En 2021 el número de habitantes en Aragón fue de 1331938 , en 2011 hubo 1344501 personas y en 2001, 1204215. Se ha calculado la media de la población censada y se ha determinado el porcentaje de personas que se evaluaron según la población total.
hombres <- sum(df_Salu_Arag$Sexo == "Hombres")
mujeres <- sum(df_Salu_Arag$Sexo == "Mujeres")
print(paste("La cantidad de hombres y mujeres en el dataframe es", hombres, "y", mujeres, "respectivamente"))## [1] "La cantidad de hombres y mujeres en el dataframe es 1260 y 1160 respectivamente"suma_arag <- sum(hombres, mujeres)
"2021" <- 1331938
"2011" <- 1344501
"2001" <- 1204215
años <- c(`2021`, `2011`, `2001`)
media <- mean(años)
print(paste("La media de los habitantes en Aragón entre 2001 y 2021 es", media))## [1] "La media de los habitantes en Aragón entre 2001 y 2021 es 1293551.33333333"porcentaje <- (suma_arag / media) * 100
print(paste("El porcentaje de personas que han participado en la evaluación de accidentes laborales y sus consecuencias es", porcentaje,"%"))## [1] "El porcentaje de personas que han participado en la evaluación de accidentes laborales y sus consecuencias es 0.187081868159336 %"
Gráficos
Gráfico sobre los nieveles de ansiedad en mujeres
Este gráfico muestra la diferencia de casos de ansiedad en mujeres y el grado de ansiedad. Hemos querido eliminar los indiviudos que no saben (o no contesta) junto con el total ya que no daban información de valor. Nos hemos quedado con las muejres ya que realmente proporcionan alguna conclusión.
# Observación del gráfico del género Mujeres según el grado de ansiedad y el número de personas que la padecen
mod_dt <- df_Salu_Arag %>%
filter(!(Sexo %in% c("Hombres")), !(EstadoAnsiedad %in% c("No sabe/No contesta", "Total"))) %>%
group_by(Año, Sexo, EstadoAnsiedad) %>%
summarise (count = n(), .groups = "drop")
grafico_f2 <- ggplot(mod_dt, aes(x = Año, y = count, fill = EstadoAnsiedad)) +
geom_bar(stat = "identity", position = "dodge", ) +
labs(x = 'Años',
y = 'Número de participantes',
title = 'Ansiedad según el grado en mujeres',
fill = 'Ansiedad') +
facet_wrap(~Sexo) +
scale_fill_manual(values = c("No está ansioso ni deprimido" = "red",
"Está moderadamente ansioso o deprimido" = "black",
"Está muy ansioso o deprimido" = "white"))
print(grafico_f2)
Como resultado, podemos observar que los años donde las mujeres han
presentado menor ansiedad han sido en 2009, 2017, 2018 y 2019. Sin
embargo el resto de los años estudiados presentan un incremento en el
dearrollo de esta enfermedad.
Faceta
Con este tipo de gráfico pretendemos estudiar el estado de ansiedad, según los años 2004 y 2009, además de según el sexo.
library(tidyverse)
library(ggplot2)
facetas <- ggplot(Salud_eli, aes(x = Obs, y = EstadoAnsiedad)) +
geom_point(aes(colour = factor(Años), shape=factor(Sexo))) +
xlab("Observaciones") +
ylab("Tipos de estados de ansiedad") +
ggtitle(label = "Observaciones del estado de ansiedad según el año")
print(facetas)
Como resultado podemos ver que destacan más las observaciones del
año 2004 respecto al año 2009. Además que la destacan más los ciudadanos
con bajo nivel de ansiedad respecto a los de mayor ansiedad.
Gráfico sobre el número de accidentes según el sexo y la gravedad
Este gráfico muestra el número de accidentes en el mundo de la construcción separados por sexos y según la gravedad del accidente.
# Observación del gráfico entre mujeres y hombres según la gravedad y el número de accidentes
library(ggplot2)
library(dplyr)
# Filtramos y agrupamos por sexo y gravedad
df_resultado <- df_Salu_Arag %>%
filter(Gravedad == "Leves" |
Gravedad == "Mortales" |
Gravedad == "Graves o muy graves") %>%
group_by(Sexo, Gravedad, NumAcci) %>%
summarise(casos = n(), .groups = 'drop')
grafico_f1 <- ggplot(df_resultado, aes(x = Gravedad, y = NumAcci, fill = Sexo)) +
geom_bar(stat = "identity", position = "dodge") +
labs(x = 'Gravedad accidentes',
y = 'Número de casos',
title = 'Número de accidentes según la gravedad y los sexos ',
fill = 'Sexo') +
facet_wrap(~Sexo)
print (grafico_f1)
Como resultado, podemos observar que en hombres hay más accidentes
laborales que en el sexo contrario y en ambos casos estos son de
gravedad leve.
Gráfico sobre el número de accidentes según el año
Añadimos un gráfico de barras para observar el número de accidentes laborales sucedidos durante los difrentes años en Aragón. Para ello, utilizaremos el atributo de Año y NumAcci del conjunto de datos sobre los accidentes laborales en Aragón.
grafico_barra <- ggplot(Aragon, aes(x = Año, y = NumAcci)) +
geom_bar(stat = "identity", fill = "darkturquoise") +
xlab("Año del suceso") +
ylab("Número de accidentes laborales") +
ggtitle(label = "Número de accidentes según el año del suceso")
print(grafico_barra)
Como resultado podemos observar que en los años de 2003 hasta 2008
los accdientes laborales eran muchísimo mayores debido a la presencia de
mayor precariedad laboral. Sin embargo, en los años posteriores ha
disminuido, siendo registrados alrededror de 10.000 accidentes en el año
2013. Aunque los años psoteriores el número de accidentes ha aumentado
un poco, no han llegado a alcanzar valores como los primeros años
nombrados.
Gráfico sobre la relación de los accidentes laboralesa a lo largo de los años
Convertimos el tapply anterior en dataframe, para así poder hacer un gráfico donde se pueda observar la evolución del número de accidentes según la profesión.
library(ggplot2)
library(dplyr)
library(tidyr)
df_año_trabajo <- as.data.frame(as.table(año_trabajo))
colnames(df_año_trabajo) <- c("Año", "TipoTrabajo", "Accidentes")
df_año_trabajo <- drop_na(df_año_trabajo) %>% # Las filas con valores nulos se van a eliminar ya que sino no dejan hacer el dt
filter(!(TipoTrabajo %in% c("Total")), !(TipoTrabajo %in% c("Trabajos relacionados con alguna de las tareas anteriores")))
# Gráfico
tpt <- ggplot(df_año_trabajo, aes(x = Año, y = Accidentes, color = TipoTrabajo, group = TipoTrabajo)) +
geom_line() + geom_point() + #lineas y puntos
labs(title = "Número de accidentes por año y tipo de profesión",
x = "Año",
y = "Accidentes",
color = "Profesión") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 50, hjust = 1)) # Visualización de los años con claridad
# Mostrar el gráfico
print(tpt)
Como resultado se puede observar que existen mayores regsitros de
accidentes laborales en profesiones como la producción, tranformación,
tratamiento y almacenamiento. Además algo destacable es que las labores
de movimientos de tierra, construcción, mantenimiento, demolición a lo
largo de los años han bajado las inicidencias considerablemente.
Resultados
Como se ha observado en los gráficos presentados anteriormente, el género masculino muestra mayor indicencia de accidentes en la profesión relacionada con el movimiento de tierra. Este fenómeno se puede explicar a que este grupo representa la mayoria en esta actividad laboral (artículo 1)
En cuanto a la evolución del número de accidentes laborales, contrariamente a la creencia popular, no ha aumentado significativamente. Sino que ha habido una tendencia a la baja desde principios de los 2000s. Cabe mencionar que tras la época COVID se ha producido un ligero repunte en las cifras, reflejando un ascenso en la curva del diagrama.
Por otro lado, cabe señalar que esta profesión no se encuentra entre las más afectadas por los siniestros laborales. La mayoría de incidentes se han registrado en el sector vinculado con la “producción, transformación, tratamiento y almacenamiento de materiales”. Destacando que estos útimos años, se ha presentado un aumento en las bajas laborales en el ámbito relacionado con los “servicios a empresas y trabajos intelectuales”.
En definitiva, la profesión objeto de este estudio ha experimentado un elevado numero de daños en el ámbito laboral a principios del siglo XXI. Sin embargo, las cifras han ido disminuyendo progresivamente y manteniéndose estables en la actualidad.
Conclusiones
Las incidencias en el sector de la construcción o edificación se ha convertido en un tema de gran relevancia en la actualidad, ocupando una parte de los medios de comunicación, sobretodo en el caso de los varones, quien constituye la mayoria de la plantilla en este campo debido a la exigencia fisica que supone este tipo de trabajo. Es importante destacar que, aunque los accidentes laborales han experimentado una disminución desde principios de la época de los 2000, en época COVID las cifras volvieron a repuntar.
En cuanto a aspectos psicologicos, la prevencion de suicidios sigue siendo un desafio debido a las largas jornadas laborales, el aislamiento que genera el trabajo y la escasez de apoyo emocional en el sector.
Cabe mencionar que persiste una falta de presencia femenina en el sector, debido al demandante esfuerzo fisico, falta de politicas inclusivas y falta de representacion femenina en la toma de decisiones.
En resumen, aunque se ha observado una breve disminución de incidencias en el sector, las enfermedades psicologicas siguen en aumento, por lo que es necesario implementar medias de prevención efectivas y proporcionar un apoyo emocional para mejorar la calidad de vida de los trabajadores.
Referencias
Enfermedades relacionadas con el trabajo. (2024, 9 diciembre). Safety And Health At Work EU-OSHA. https://osha.europa.eu/es/themes/work-related-diseases
Human verification. (s. f.). Stack Overflow. https://stackoverflow.com/search?q=input+string+1+is+invalid+UTF-8
World Health Organization: WHO. (2022b, junio 8). Trastornos mentales. https://www.who.int/es/news-room/fact-sheets/detail/mental-disorders
Gómez, M. G., López, R. C., Ortiz, Z. H., & Soria, F. S. (s. f.). Reconocimiento de enfermedades profesionales según sexo, ocupación y actividad de la empresa en España (1999-2009). https://www.redalyc.org/journal/170/17049838011/html/#:~:text=Fundamentos%3A%20Seg%C3%BAn%20las%20estad%C3%ADsticas%20oficiales,participaci%C3%B3n%20en%20el%20mundo%20laboral.
Salud Mental en la Construcción Rea, J., & Rea, J. (2022, 12 mayo). Mental Health in Construction - Omnia Machinery. Omnia Machinery | Source Plant For Sale Equipment Worldwide. https://www.omniamachinery.com/es/2022/05/mental-health-in-construction/
Reconocimiento de enfermedades profesionales según sexo, ocupación y actividad de la empresa en España Gómez, M. G., López, R. C., Ortiz, Z. H., & Soria, F. S. (s. f.). Reconocimiento de enfermedades profesionales según sexo, ocupación y actividad de la empresa en España (1999-2009). https://www.redalyc.org/journal/170/17049838011/html/#:~:text=Fundamentos%3A%20Seg%C3%BAn%20las%20estad%C3%ADsticas%20oficiales,participaci%C3%B3n%20en%20el%20mundo%20laboral
Trabajadores construcción Sólo el 9% de los trabajadores de la construcción son mujeres, según los últimos datos de la EPA. (2019, 3 junio). Fundación Laboral de la Construcción. https://www.fundacionlaboral.org/actualidad/noticias/sector/solo-el-9-de-los-trabajadores-de-la-construccion-son-mujeres-segun-los-ultimos-datos-de-la-epa
imagen censo Aragón https://www.aragon.es/documents/20127/93712584/A02.pdf/aa2a23e9-276a-fd04-516b-31a57073aa52?t=1671191689721 Fuente: Censos de población y vivienda. INE. Elaboración Instituto Aragonés de Estadística (IAEST).